-
公开(公告)号：CN111651937B
公开(公告)日：2023-07-25
申请号：CN202010496380.8
申请日：2020-06-03
Applicant: 苏州大学
IPC: G06F30/27 , G06N3/0464 , G06N3/047 , G06N3/096 , G01M13/045 , G06F119/02
Abstract: 本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet‑50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
-
公开(公告)号：CN115683629A
公开(公告)日：2023-02-03
申请号：CN202211398933.1
申请日：2022-11-09
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/15
Abstract: 本发明涉及一种轴承故障检测方法包括：获取测试轴承的振动加速度时域信号，经短时傅里叶变换生成时频域系数矩阵；利用广义极小极大凹罚函数与截断核范数构建稀疏低秩优化模型的凸性目标函数；利用交替方向乘子法将凸性目标函数拆分成关于广义极小极大凹罚函数的第一子目标函数、关于截断核范数的第二子目标函数与辅助迭代函数；利用前向后向分裂算法求解第一子目标函数得关于Xk+1的迭代公式组；利用奇异值阈值算法求解第二目标子函数得关于Zk+1的迭代公式；初始化参数，将时频域系数矩阵输入辅助迭代函数中，迭代预设次数获取时频域稀疏低秩矩阵；对时频域稀疏低秩矩阵进行短时傅里叶逆变换得到重构时域信号后，进行平方包络谱分析，得到故障特征频率。
-
公开(公告)号：CN112484998B
公开(公告)日：2022-12-27
申请号：CN202011281606.9
申请日：2020-11-16
Applicant: 苏州大学文正学院
IPC: G01M13/04 , G01M13/045 , G06F17/16
Abstract: 本发明公开了一种基于同步模态谱的风电机组轴承故障诊断方法，其包括：采集风电机组振动数据；基于所述风电机组振动数据构建同步模式谱；通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；将所述同步模式谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。本发明通过构建同步模态谱，仅仅只需要优化得到转速信息，识别其它特征成分是不要迭代优化。同步模态谱相比于现有阶次分析方法增强了对风电机组振动信号中蕴含轴承特征的提取能力。构建同步模态谱中嵌入了优化后的带宽参数，保证了提取特征成分带宽的合理性，显著提升同步模态谱对风电机组轴承故障特征的揭示能力。
-
公开(公告)号：CN114429153A
公开(公告)日：2022-05-03
申请号：CN202111677774.4
申请日：2021-12-31
Applicant: 苏州大学
Abstract: 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
公开(公告)号：CN108760294B
公开(公告)日：2020-09-29
申请号：CN201810607021.8
申请日：2018-06-13
Applicant: 苏州大学
IPC: G01M13/028 , G01M13/045
Abstract: 本发明涉及机械设备诊断技术领域，尤其涉及一种旋转机械设备自动诊断系统及方法。本发明具有成本低、稳定性好，安装使用方便、便于维护和精度高等优点，其能够在不同转速工况下实现旋转机械设备健康状态的自动诊断，同时诊断出具体的故障模式，有针对性的排查故障；其能够以更高精度展示设备动态信号中包含的时频联合域内的设备状态特征，使得诊断技术容易操作；旋转机械设备自动诊断系统及方法还具有远程监控旋转机械设备运行的能力，显著地减少检查费用并提高检查频率性。
-
Patent Agency Ranking
公开(公告)号：CN111458122A
公开(公告)日：2020-07-28
申请号：CN202010271309.X
申请日：2020-04-08
Applicant: 苏州大学
IPC: G01M13/00
Abstract: 本发明提供了一种匹配增强时频表示的旋转机械故障诊断方法，属于变转速旋转机械故障诊断技术领域，该方法包括：引入调频率来匹配频率变化的信号的时频特征，利用正切函数约束调频率选取范围；扩展现有的线性变换基函数e-jωt，得到能同时增强多个时频分量的时频表示；计算对应不同时频图的峭度值，利用峭度最大准则自适应选择合适的参数，选出对应最大峭度的时频分布用于最后的时频表示；对经上一步得到的时频图上利用局部峰值搜索算法搜寻旋转机械的特征时频脊线；根据检测的时频脊线诊断旋转机械故障类型。本发明通过匹配信号中频率的变化特征来增强时频表示，可以得到更加精确的时频脊线估计，并最终完成旋转机械的故障诊断。
-
公开(公告)号：CN110823576A
公开(公告)日：2020-02-21
申请号：CN201911129375.7
申请日：2019-11-18
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于生成对抗网络的机械异常检测方法。本发明一种基于生成对抗网络的机械异常检测方法，其特征在于，包括：正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围；网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围。本发明的有益效果：本发明方法首先利用正常信号训练生成对抗网络，以学习正常信号的数据分布，所得伪造信号与正常信号的相似度较大。
-
公开(公告)号：CN109668733A
公开(公告)日：2019-04-23
申请号：CN201811571587.6
申请日：2018-12-21
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种变分非线性模式分解变转速轴承故障诊断方法。本发明一种变分非线性模式分解变转速轴承故障诊断方法，包括：利用振动信号传感器收集滚动轴承动态信号；从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。
-
公开(公告)号：CN119941051A
公开(公告)日：2025-05-06
申请号：CN202510414171.7
申请日：2025-04-03
Applicant: 苏州大学
IPC: G06Q10/0639 , G06Q10/04 , G06Q50/40
Abstract: 本发明涉及交通韧性评估技术领域，尤其是指一种地铁网络多阶段多维度的韧性评估方法及系统，所述方法包括：步骤S1：基于有向地铁网络系统在发生干扰前后的动态性能表现，构建一个多阶段韧性评估框架，所述多阶段韧性评估框架包括准备阶段的评估模型、吸收阶段的评估模型、恢复阶段的评估模型和提升阶段的评估模型，任一评估模型至少包括一个评价指标；步骤S2：根据所述至少一个评价指标计算有向地铁网络系统在不同阶段的韧性评估值；步骤S3：根据所述韧性评估值，指导运营方优化地铁交通资源分配和制定应急响应策略。本发明能够更全面地评估地铁网络系统在整个干扰周期内的动态表现，指导运营方优化资源分配和应急响应策略。
-
公开(公告)号：CN119272208A
公开(公告)日：2025-01-07
申请号：CN202411794290.1
申请日：2024-12-09
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/084 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/048
Abstract: 本发明公开了高铁轮轨运维技术领域的一种高铁齿轮箱损伤状态评估方法、装置、电子终端及存储介质，方法包括：获取待识别的高铁齿轮箱的振动信号；将所述振动信号输入预训练的高铁齿轮箱损伤状态评估模型；根据静态卷积模块和动态卷积模块分别提取所述振动信号中的粗粒度域泛化特征和细粒度域泛化特征，构建动态域泛化特征；将所述动态域泛化特征输入损伤状态判别器，得到多种损伤状态的多维预测概率数据，并根据对应多种损伤状态的多维预测概率数据确定损伤状态评估结果。本发明能够解决由于提取信号的域泛化特征不全面，使得一些微弱但重要的域泛化信息缺失，导致损伤状态评估准确率下降，难以保障高铁运行安全和效率的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.025 seconds)
